Baixe o app para aproveitar ainda mais
Prévia do material em texto
Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,necessária para o estudo de modelos de regressão linear múltipla usando matrizes, do Apêndice E.Nada deste material é usado no texto principal. D.1 DEFINIÇÕES BÁSICAS DEFINIÇÃO D.1 (MATRIZ) Uma matriz é um arranjo retangular de números. Mais precisamente, uma matriz m � n tem m linhas e n colunas. O inteiro positivo m é denominado dimensão da linha, e n é denominado dimensão da coluna. Usamos letras maiúsculas em negrito para representar as matrizes. Podemos escrever, de forma geral, uma matriz de ordem m � n como A � [aij] � , onde aij representa o elemento na i -ésima linha e na j-ésima coluna. Por exemplo, a25 corresponde ao número na segunda linha e na quinta coluna de A. Um exemplo específico de uma matriz 2 � 3 é A � , (D.1) onde a13 � 7. A forma abreviada A � [aij] é freqüentemente usada para definir operações de matrizes. DEFINIÇÃO D.2 (MATRIZ QUADRADA) Uma matriz quadrada tem o mesmo número de linhas e colunas. A dimensão de uma matriz quadrada é dada por seus números de linhas e colunas. DEFINIÇÃO D.3 (VETORES) (i) Uma matriz 1 � m é chamada vetor linha (de dimensão m) e pode ser escrita como x � (x1, x2, ..., xm).(ii) Uma matriz n � 1 é chamada vetor coluna e pode ser escrita como � 2�4 �1 5 70� � a11 a21 � a m1 a12 a22 a m2 a13 a23 a m3 … … … a1n a2n a mn � D 97 Resumo de Álgebra Matricial y � . DEFINIÇÃO D.4 (MATRIZ DIAGONAL) Uma matriz quadrada A é uma matriz diagonal quando todos os seus elementos fora da diagonal forem zeros, isto é, aij � 0 para todos i � j. Podemos sempre escrever uma matriz diagonal como A � . DEFINIÇÃO D.5 (MATRIZES IDENTIDADE E NULA) (i) A matriz identidade n � n, chamada de I, ou algumas vezes I n para enfatizar sua dimensão, é a matriz diagonal com a unidade (um) em cada posição diagonal, e zero nas outras posições: I � In � . (ii) A matriz nula m � n, chamada de 0, é a matriz m � n com zero em todas as entradas. Ela não precisa ser um matriz quadrada. D.2 OPERAÇÕES COM MATRIZES Adição de Matrizes Duas matrizes A e B, cada uma de dimensão m � n, podem ser somadas elemento a elemento: A � B � [aij � bij]. Mais precisamente, A � B � . Por exemplo, � � . Matrizes de ordens diferentes não podem ser somadas. �30 �1 7 33��14 02 �4 3�� 2�4 �1 5 70� � a11 � b11 a21 � b21 � a m1 � bm1 a12 � b12 a22 � b22 a m 2 � bm 2 … … … a1n � b1n a2n � b2n a mn � b mn � � 1 0 � 0 0 1 0 0 0 0 … … … 0 0 1 � � a11 0 � 0 0 a22 0 0 0 0 … … … 0 0 a nn � � y1 y2 � y n � 98 Introdução à Econometria — Editora Thomson Multiplicação Escalar Dado qualquer número real � (freqüentemente chamado de escalar), uma multiplicação escalar é defi- nida como �A � [�aij], ou �A = . Por exemplo, se � = 2, A é a matriz na equação (D.1), então, . Multiplicação de Matrizes Para multiplicar a matriz A pela matriz B de maneira a formar o produto AB, a dimensão das colunas de A deve ser igual à dimensão das linhas de B. Portanto, seja A uma matriz m � n e seja B uma matriz n � p. Então, a multiplicação de matrizes será definida como AB = . Em outras palavras, o (i,j)-ésimo elemento da nova matriz AB é obtido pela multiplicação de cada elemento na i-ésima linha de A pelo elemento correspondente na j-ésima coluna de B e somando-se esses n produtos. Um esquema pode ajudar a tornar esse processo mais transparente: A B AB i-ésima linha → � , �0 � p j-ésima coluna (i, j)-ésimo elemento onde, pela definição do operador somatório no Apêndice A, aikbkj � ai1b1j � ai2b2j � ... � ainbnj. Por exemplo, � n k�1 � �nk�1 ai k bkj �� b1j b2j b3j � b nj ��ai1 ai2 ai3 … ain� ��n k�1 aikbkj� �A � � 4�8 �2 10 14 0� � �a11 �a21 � �a m1 �a12 �a22 �a m 2 … … … �a1n �a2n �a mn � Wooldridge Apêndice D Resumo de Álgebra Matricial 99 � . Também podemos multiplicar uma matriz e um vetor. Se A for uma matriz n � m e y for um vetor m � 1, Ay será um vetor de ordem n � 1. Se x for um vetor 1 � n, xA será um vetor 1 � m. A adição de matrizes, a multiplicação escalar e a multiplicação de matrizes podem ser combina- das de várias maneiras, e essas operações satisfazem várias regras das operações básicas com números que nos são familiares. Na lista de propriedades seguinte, A, B e C são matrizes com dimensões apro- priadas para aplicar cada operação, e � e � são números reais. A maioria dessas propriedades pode ser ilustrada facilmente a partir das definições. PROPRIEDADES DA MULTIPLICAÇÃO DE MATRIZES: (1) (� � �)A � �A � �A; (2) �(A � B) � �A � �B; (3) (��)A � �(�A); (4) �(AB) � (�A)B; (5) A � B � B � A; (6) (A � B) � C � A � (B � C); (7) (AB)C � A(BC); (8) A(B � C) � AB � AC; (9) (A � B)C � AC � BC; (10) IA � AI � A; (11) A � 0 � 0 � A � A; (12) A – A � 0; (13) A0 � 0A � 0; e (14) AB � BA, mesmo quando ambos os produtos forem definidos. A última propriedade merece um comentário adicional. Se A for n � m e B for m � p, então, AB será definida, mas BA somente será definida se n � p (a ordem de linha da A é igual a ordem de coluna da B). Se A for m � n e B for n � m, então, AB e BA serão ambas definidas, mas normalmente não serão a mesma matriz; de fato, elas possuem dimensões diferentes, a menos que A e B sejam ambas matri- zes quadradas. Mesmo quando A e B são quadradas, AB � BA, exceto sob circunstâncias especiais. Transposta DEFINIÇÃO D6 (TRANSPOSTA) Seja A � [aij] uma matriz m � n. A transposta de A, chamada de A� (A linha), é a matriz de ordem n � m, obtida intercambiando as linhas e colunas de A. Podemos escrevê-la como A� � [aji]. Por exemplo, A � , A� � . PROPRIEDADES DA TRANSPOSTA: (1) (A�)� � A; (2) (�A)� = �A� para qualquer escalar �; (3) (A � B)� � A� � B�; (4) (AB)� � B�A�, quando A for m � n e B for n � k; (5) x�x � x2i, onde x é um vetor n � 1; e (6) se A for uma matriz n � k com linhas dadas pelos vetores 1 � k a1, a2, ..., an, de forma que possamos escrever A � , então, A� � (a�1 a�2 . . . a�n). � a1 a2 � a n � � n i�1 � 2�17 �4 5 0�� 2�4 �15 70� � 1�1 0�2 12�24 �11�� 0�1 3 1 2 0 6 0 0 0 1 0�� 2�4 �1 1 00� 100 Introdução à Econometria — Editora Thomson DEFINIÇÃO D.7 (MATRIZ SIMÉTRICA) Uma matriz quadrada A é uma matriz simétrica se, e somente se, A� � A. Se X for qualquer matriz n � k, X�X é sempre definida e é uma matriz simétrica, como poderá ser visto pela aplicação das primeira e quarta propriedades da transposta (veja o Problema D.3). Multiplicação de Matrizes Particionadas Seja A uma matriz n � k com linhas dadas pelos vetores 1 � k a1, a2, ..., an, e seja B uma matriz n � m com linhas dadas pelos vetores 1 � m b1, b2, ..., bn; A � , B � . Então, A�B � a�i bi, onde para cada i, a�i bi é uma matriz k � m. Portanto, A�B pode ser escrita como a soma de n matrizes, cada uma delas sendo k � m. Como um caso especial, temos A�A � a�i ai onde ai� ai é uma matriz k � k de todos os i. Traço O traço de uma matriz é uma operação bastante simples definida somente para matrizes quadradas. DEFINIÇÃO D.8 (TRAÇO) Para qualquer matriz A n � n, o traço de uma matriz A, representado por tr(A), será a soma dos ele- mentos de sua diagonal. Matematicamente, tr(A) � aii. PROPRIEDADES DO TRAÇO: (1) tr(In) � n; (2) tr(A�) � tr(A); (3) tr(A � B) � tr(A) � tr(B); (4) tr(�A) � �tr(A), para qualquer escalar �; e (5) tr(AB) � tr(BA), onde A é m � n e B é n � m. Inversa A noção da inversa de uma matriz é muito importante para matrizes quadradas. � n i�1 � n i�1 � n i�1 � b1 b2 � b n �� a1 a2� a n � Wooldridge Apêndice D Resumo de Álgebra Matricial 101 DEFINIÇÃO D.9 (INVERSA) Uma matriz A n � n tem uma inversa, representada por A�1, desde que A�1A � In e AA�1 � In. Nesse caso, A é chamada de inversível ou não singular. Caso contrário, ela será chamada de não inver- sível ou singular. PROPRIEDADES DA INVERSA: (1) Se existir uma inversa, ela será única; (2) (�A)�1 � (1/�)A�1, se � � 0 e A for inversível; (3) (AB)�1 � B�1A�1, se A e B forem ambas n � n e inversíveis; e (4) (A�)�1 � (A�1)�. Não nos preocuparemos com a mecânica de cálculo da inversa de uma matriz. Qualquer texto de álge- bra matricial contém exemplos detalhados de tais cálculos. D.3 INDEPENDÊNCIA LINEAR. POSTO DE UMA MATRIZ Para um conjunto de vetores tendo a mesma dimensão, é importante saber se um vetor pode ser expresso como uma combinação linear dos demais vetores. DEFINIÇÃO D.10 (INDEPENDÊNCIA LINEAR) Seja {x1, x2, ..., xr} um conjunto de vetores n � 1. Eles serão vetores linearmente independentes se, e somente se, �1x1 � �2x2 � ... � �r xr � 0 (D.2) implicar que �1 � �2 � ... � �r � 0. Se (D.2) se sustentar para um conjunto de escalares que não sejam todos zeros, então, {x1, x2, ..., xr} será linearmente dependente. A afirmação de que {x1, x2, ..., xr} será linearmente dependente é equivalente a dizer que pelo menos um vetor no conjunto pode ser escrito como uma combinação linear dos demais. DEFINIÇÃO D.11 (POSTO) (i) Seja A uma matriz n � m. O posto de uma matriz A, denotada posto(A), é o número máximo de colunas linearmente independentes de A. (ii) Se A for n � m e posto(A) � m, então, A terá posto de colunas completas. Se A for n � m, seu posto será no máximo m. Uma matriz terá posto de colunas completas se suas colunas formarem um conjunto linearmente independente. Por exemplo, a matriz 3 � 2 poderá ter no máximo posto 2. De fato, seu posto será apenas um porquê a segunda coluna é três vezes a primeira coluna. �120 3 6 0 � 102 Introdução à Econometria — Editora Thomson PROPRIEDADES DO POSTO: (1) posto(A�) = posto(A); (2) Se A for n � k, então, posto(A) � min(n,k); e (3) Se A for k � k e posto(A) � k, então, A será não singular. D.4 FORMAS QUADRÁTICAS E MATRIZES POSITIVAS DEFINIDAS DEFINIÇÃO D.12 (FORMA QUADRÁTICA) Seja A uma matriz simétrica n � n. A forma quadrática associada à matriz A será a função de valor real definida para todos os vetores x n � 1: f(x) � x�Ax � aii x2i � 2 aijxixj. DEFINIÇÃO D.13 (POSITIVA DEFINIDA E POSITIVA SEMIDEFINIDA) (i) Uma matriz simétrica A é positiva definida (p.d.) se x�Ax � 0 para todos os vetores x n � 1, exceto x � 0. (ii) Uma matriz simétrica A é positiva semidefinida (p.s.d.) se x�Ax 0 para todos os vetores n � 1. Se uma matriz for positiva definida ou positiva semidefinida, ela será automaticamente assumida como sendo simétrica. PROPRIEDADES DAS MATRIZES POSITIVAS DEFINIDAS E POSITIVAS SEMIDEFINIDAS: (1) Uma matriz positiva definida tem elementos diagonais que são estritamente positivos, enquanto uma matriz p.s.d. tem elementos diagonais não negativos; (2) Se A for uma p.d., então, A�1 existe e será p.d.; (3) Se X for n � k, então, X�X e XX� serão p.s.d.; e (4) Se X for n � k e posto(X) � k, então, X�X será p.d. (e, portanto, não singular). D.5 MATRIZES IDEMPOTENTES DEFINIÇÃO D.14 (MATRIZ IDEMPOTENTE) Seja A uma matriz simétrica n � n. Então, A é uma matriz idempotente se, e somente se, AA � A. Por exemplo, é uma matriz idempotente, como é possível verificar pela multiplicação direta. �100 0 0 0 0 0 1� � n i�1 � j � i � n i�1 Wooldridge Apêndice D Resumo de Álgebra Matricial 103 PROPRIEDADES DAS MATRIZES IDEMPOTENTES: Seja A uma matriz idempotente n � n. (1) posto(A) � tr(A), e (2) A é positiva semidefinida. Podemos construir matrizes idempotentes de forma bem generalizada. Seja X uma matriz n � k com posto(X) � k. Defina P � X(X�X)�1X� M � In � X(X�X)�1X� � In � P. Então, P e M serão matrizes simétricas idempotentes, com posto(P) � k e posto(M) � n � k. Os postos são obtidos com mais facilidade usando a Propriedade 1: tr(P) � tr[(X�X)�1X�X] (da Propriedade 5 do traço) � tr(Ik) � k (pela Propriedade 1 do traço). Facilmente segue que tr(M) � tr(In) � tr(P) � n � k. D.6 DIFERENCIAÇÃO DE FORMAS LINEARES E QUADRÁTICAS Para um dado vetor a n � 1, considere a função linear definida por f(x) � a�x, para todos os vetores x n � 1. A derivada de f em relação a x será o vetor 1 � n das derivadas parciais, que é simplesmente f(x)/ x � a�. Para uma matriz simétrica n � n A, defina a forma quadrática g(x) � x�Ax. Então, g(x)/ x � 2x�A, que é um vetor 1 � n. D.7 MOMENTOS E DISTRIBUIÇÕES DE VETORES ALEATÓRIOS Para derivar o valor esperado e a variância dos estimadores MQO usando matrizes, precisamos definir o valor esperado e a variância de um vetor aleatório. Como seu nome sugere, um vetor aleatório é sim- plesmente um vetor de variáveis aleatórias. Também precisamos definir a distribuição normal multiva- riada. Esses conceitos são simples extensões daqueles tratados no Apêndice B. 104 Introdução à Econometria — Editora Thomson Valor Esperado DEFINIÇÃO D.15 (VALOR ESPERADO) (i) Se y for um vetor aleatório n � 1, o valor esperado de y, representado por E(y), é o vetor dos valo- res esperados: E(y) � [E(y1), E(y2),..., E(yn)]�. (ii) Se Z for uma matriz aleatória n � m, E(Z) é a matriz n � m dos valores esperados: E(Z) �[E(zij)]. PROPRIEDADES DO VALOR ESPERADO: (1) Se A for uma matriz m � n e b for um vetor n � 1, onde ambos são não-aleatórios, E(Ay � b) � AE(y) � b e (2) Se A for p � n e B for m � k, onde ambas são não-aleatórios, E(AZB) � AE(Z)B. Matriz de Variância-Covariância DEFINIÇÃO D.16 (MATRIZ DE VARIÂNCIA-COVARIÂNCIA) Se y for um vetor aleatório n � 1, sua matriz de variância-covariância, representada por Var(y) é definida como Var(y) � , onde �2j � Var(yj) e �ij � Cov(yi,yj). Em outras palavras, a matriz de variância-covariância tem as variâncias de cada elemento de y em sua diagonal, com os termos de covariância fora dela. Como Cov(yi,yj) � Cov(yj,yi), segue imediatamente que uma matriz de variância-covariância é simétrica. PROPRIEDADES DA VARIÂNCIA: (1) Se a for um vetor não-aleatório n � 1, então, Var(a�y) � a�[Var(y)]a 0; (2) Se Var(a�y) � 0 para todo a � 0, Var(y) é positiva definida; (3) Var(y) � E[(y � �)(y � �)�], onde � � E(y); (4) Se os elementos de y forem não-correlacionados, Var(y) é uma matriz diagonal. Se, além disso, Var(yj) � �2 para j � 1, 2, ..., n, então Var(y) � �2 In e (5) Se A for uma matriz não-aleatória m � n e b for um vetor não-aleatório n � 1, então, Var(Ay � b) � A[Var(y)]A�. Distribuição Normal Multivariada A distribuição normal de uma variável aleatória foi discutida em alguma medida no Apêndice B. Precisamos estender a distribuição normal aos vetores aleatórios. Não forneceremos uma expressão da função de distribuição de probabilidade, já que não precisaremos dela. É importante saber que um vetor aleatório normal multivariado é totalmente caracterizado por sua média e pela matriz de variância- covariância. Portanto, se y for um vetor aleatório normal multivariado n � 1, com média � e matriz de variância-covariância �, escrevemos y � Normal(�,�). Agora, apresentamos várias propriedades úteis da distribuição normal multivariada. PROPRIEDADES DA DISTRIBUIÇÃO NORMAL MULTIVARIADA: (1) Se y � Normal(�,�), então, cada elemento de y é normalmente distribuído; (2) Se y ~ Normal(�,�), então, yi e yj, quaisquer dois elementos de y, serão independentes se, e somente se, eles forem não-correlacionados, isto é, �ij � 0; (3) Se y � Normal(�,�), então, Ay � b � Normal(A� � b,A�A�), onde A e b são não-aleatórios; (4) Se y � Normal(0,�), então, para matrizes A e B não-aleatórias, Ay e By serão independentes se, e somente se, A�B� � 0. Particularmente,se � � �2In, então, AB� � 0 será necessária e suficiente para � �1 2 �21 � � n1 �12 �2 2 � n2 … … … �1n �2n � n 2 � Wooldridge Apêndice D Resumo de Álgebra Matricial 105 106 Introdução à Econometria — Editora Thomson a independência de Ay e By; (5) Se y � Normal(0,�2In), A é uma matriz não-aleatória k � n, e B é uma matriz simétrica idempotente n � n, então, Ay e y�By serão independentes se, e somente se, AB � 0; e (6) Se y � Normal(0,�2In) e A e B forem matrizes simétricas idempotentes não-aleatórias, então, y�Ay e y�By serão independentes se, e somente se, AB � 0. DISTRIBUIÇÃO QUI-QUADRADO No Apêndice B, definimos uma variável aleatória qui-quadrada como a soma dos quadrados das variáveis aleatórias normais padrão independentes. Em notação vetorial, se u � Normal(0,In), então, u�u ~ �2n PROPRIEDADES DA DISTRIBUIÇÃO QUI-QUADRADO: (1) Se u � Normal(0,In) e A for uma matriz simétrica idempotente n � n com posto(A) � q, então, u�Au � �2q ; (2) Se u � Normal(0,In) e A e B forem matrizes simétricas idempotentes n � n de tal forma que AB � 0, então, u�Au e u�Bu serão variáveis aleatórias qui-quadradas independentes; e (3) Se z � Normal(0,C) onde C é uma matriz não singular m � m, então, z�C�1z � �2m . DISTRIBUIÇÃO t Também já definimos a distribuição t no Apêndice B. Agora adicionamos uma propriedade importante. PROPRIEDADE DA DISTRIBUIÇÃO t: Se u � Normal(0,In), c é um vetor não-aleatório n � 1, A é uma matriz não-aleatória simétrica idempotente n � n com posto q, e Ac � 0, então,{c�u/(c�c)1/2}/(u�Au)1/2 � tq. DISTRIBUIÇÃO f Recorde-se de que uma variável aleatória F é obtida tomando-se duas variáveis aleatórias qui-qua- dradas independentes e encontrando-se a razão entre elas, padronizadas pelos graus de liberdade. PROPRIEDADE DA DISTRIBUIÇÃO f: Se u � Normal(0,In) e A e B forem matrizes simétricas idempotentes não-aleatórias n � n com posto(A) � k1, posto(B) � k2 e AB � 0, então, (u�Au/k1)/(u�Bu/k2) � Fk1,k2. RESUMO Este apêndice contém uma forma condensada das informações básicas necessárias ao estudo do modelo linear clássico usando matrizes. Embora o material aqui apresentado não dependa de outros, ele é apresentado com a intenção de servir como uma revisão para os leitores familiarizados com álgebra matricial e estatística multivariada, e será amplamente usado no Apêndice E. PROBLEMAS D.1 (i) Encontre o produto AB usando A � , B � . (ii) BA existe? D.2 Se A e B forem matrizes diagonais n � n, demonstre que AB � BA. D.3 Seja X qualquer matriz n � k. Mostre que X�X é uma matriz simétrica. D.4 (i) Use as propriedades do traço para demonstrar que tr(A�A) � tr(AA�) para qualquer matriz A n � m. (ii) Para A = , verifique se tr(A�A) = tr(AA�). D.5 (i) Use a definição da inversa para provar o seguinte: se A e B forem matrizes não singulares n � n, então, (AB)�1 � B�1A�1. (ii) Se A, B e C forem todas matrizes não singulares n � n, encontre (ABC)�1 em termos de A�1, B�1 e C�1. D.6 (i) Mostre que, se A for uma matriz positiva definida, simétrica n � n, então, A deve ter ele- mentos diagonais estritamente positivos. (ii) Escreva uma matriz simétrica 2 � 2 com elementos diagonais estritamente positivos que não seja positiva definida. D.7 Seja A uma matriz positiva definida, simétrica n � n. Mostre que, se P for qualquer matriz não singular n � n, então, P�AP será positiva definida. D.8 Prove a Propriedade 5 das variâncias dos vetores, usando a Propriedade 3. �20 03 �10 � �013 1 8 0 6 0 0 �� 2�4 �15 70 � Wooldridge Apêndice D Resumo de Álgebra Matricial 107
Compartilhar